Import de la base de données

gs4_deauth()
df <- read_sheet(
  "https://docs.google.com/spreadsheets/d/1eWwPK8G89G6nWTDzWimcCa8EOWqval8RPvwykZmfGoI/edit?gid=803820517#gid=803820517",
  sheet = "CopieThomas"
)

Statistiques descriptives

Recodages des variables pour lisibilité

#Factor l'Âge dans le bon ordre : 
df <- df %>%
  mutate(`3_Age` = factor(`3_Age`,
                          levels = c("Entre 30 et 39 ans",
                                     "Entre 40 et 49 ans",
                                     "Entre 50 et 59 ans",
                                     "Entre 60 et 69 ans",
                                     "Plus de 70 ans")))


#Factor la durée d'installation dans le bon ordre 
df <- df %>%
  mutate(`6_Duree_d_installation` = factor(`6_Duree_d_installation`,
                                           levels = c("Moins de 5 ans",
                                                      "Entre 5 et 9 ans",
                                                      "Entre 10 et 19 ans",
                                                      "Plus de 20 ans")))



#Factor les types d'activité dans le bon ordre 
df <- df %>%
  mutate(`7_Type_d_activite` = factor(`7_Type_d_activite`,
                                      levels = c("Exclusivement libéral en cabinet",
                                                 "Essentiellement libéral avec activité universitaire",
                                                 "Essentiellement libéral avec activité de régulation/PDSA",
                                                 "Mixte (libéral + hospitalière)",
                                                 "Autre")))

Description de chaques médecins : par graphiques

Connaissance MCS

  • Variable : df$1_Connaissance_MCS_binaire

Sexe

Âge

Lieu d’installation : carte des répondants

Durée d’installation :

Type d’activité :

Représentation en camembert :

Types de visites

  • Variables incluses : 8__consultations_rdv 8__consultations_sans_rdv_ 8_consultations_:creneaux_d_urgence 8_Visites 8_Cs_autre 8bis_En_cas_de_reponse”Autre”merci_de_preciser[Commentaire]

Ressenti sur le délai d’intervention du SMUR :

  • Variable : df$9_Ressenti_delai_SMUR

  • AUTRES : représentés par :

    • Pas ou peu d’urgences vraies. Pour la semi urgence, on a toujours réussi à se dépatouiller : amélioration de l’état clinique par les médicaments sur place ou récupérés à la pharma en urgence par la famille ou alors transport hospitalier ””rapide”” 0 médicalisé par la famille. Par contre en cas d’urgence réelle, je pressens que l’équation pourrait être problématique.

    • Il y a un cabinet qui gère les urgences à 50 mètres du mien

    • Délai de prise en charge fortement modulé selon l’utilisation de l’hélicoptère ou 0, intérêt+++ de la télé médecine au sein du CH de Cilaos

    • les délais sont longs mais la perception dépend de l’urgence

Idem mais camembert avec mêmes couleurs

  • Variable : df$9_Ressenti_delai_SMUR

Carte

Perte de chance dans le secteur liée au délai d’intervention du SMUR

Histogramme

Camembert

Carte

Tableau récapitulatif

2 colonnes incluses :

  • `9_Ressenti_delai_SMUR``

  • `10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur``

cols_to_include2 <- c(
  "9_Ressenti_delai_SMUR",
  "10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur"
)
    
#Ordonner les facteurs pour lisibilité
df <- df %>%
  mutate(`9_Ressenti_delai_SMUR` = factor(`9_Ressenti_delai_SMUR`,
                                          levels = c("Délai ok",
                                                     "Plutôt bien mais parfois gêné",
                                                     "Délai trop long, en difficulté",
                                                     "Autre")))
df <- df %>%
  mutate(`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur` = factor(`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur`,
                                                                                   levels = c("non, pas du tout","Plutôt non","Plutôt oui","oui, tout à fait")))

table2 <- df %>% 
  tbl_summary(
    include = all_of(cols_to_include2), # colonnes à inclure
    statistic = list(
      all_categorical() ~ "{n} ({p}%)" # n (%) pour les variables catégorielles
    ),
    label = list(
      `9_Ressenti_delai_SMUR` = "Ressenti sur le délai d'intervention du SMUR",
      `10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur` = "Perte de chance dans votre secteur liée au délai d'intervention"
    ),
    missing = "no" # ne pas inclure les valeurs manquantes dans le tableau
  ) %>%
  modify_header(label = "**Caractéristiques**") %>% # modifier l'en-tête de la colonne des labels
  bold_labels() # mettre en gras les labels des variables

table2
Caractéristiques N = 541
Ressenti sur le délai d'intervention du SMUR
    Délai ok 12 (22%)
    Plutôt bien mais parfois gêné 32 (59%)
    Délai trop long, en difficulté 5 (9.3%)
    Autre 5 (9.3%)
Perte de chance dans votre secteur liée au délai d'intervention
    non, pas du tout 3 (5.6%)
    Plutôt non 18 (33%)
    Plutôt oui 29 (54%)
    oui, tout à fait 4 (7.4%)
1 n (%)

Perte de chance binaire liée au délai d’intervention

slices <- table(df$`10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur_binaire`)
labels <- c("Non", "Oui")
pct <- round(slices / sum(slices) * 100)
labels <- paste(labels, pct) # Ajoute les pourcentages aux labels
labels <- paste(labels, "%", sep = "") # Ajoute le symbole %
pie(slices,
    main = "Perte de chance binaire liée au délai d'intervention",
    col = c("lightcoral", "lightgreen"),
    labels = labels
)

Réseau MCS est-il pertinent pour la Réunion ?

Histogramme

  • Variable : df$11_Reseau_MCS_pertinent_pour_La_Reunion

#### Camembert

  • Variable : df$11_Reseau_MCS_pertinent_pour_La_Reunion

Délai depuis dernière formation aux soins d’urgences

  • Variable df$12_Dernieres_formations_d_urgence

Visualisation du rapport entre l’Âge ()df\(`3_Age` et le délai depuis la dernière formation aux soins d'urgence (df\)12_Dernieres_formations_d_urgence)



Autres visualisations pour monsieur

Cabinet adapté aux urgences

  • Variable df$13_Cabinet_adapte_aux_urgences

Histogramme

Camembert

Intérêt pour une formation complémentaire en urgence

  • Variable : df$14_Interet_pour_formation_complementaire_en_urgence

Histogramme

Camembert

Formation incite à être MCS

  • Variable : df$15_Si_+_forme_aux_urgences:_incitation_à_devenir_MCS

Histogramme

Camembert

Matériel incite à être MCS

  • Variable : df$16_Materiel_adapte_à_l’urgence_:_incitation_à_devenir_MCS

Histogramme

Camembert

Motivations et freins

Motivations à devenir MCS

Freins

  • Variables :

    • df$18_Freins_[Charge_de_travail_supplementaire]

    • df$18_Freins_[Manque_de_formation_en_urgence]

    • df$18_Freins_[Contraintes_administratives_ou_organisationnelles]

library(tidyverse)

Tableau 1 : Caractéristiques démographiques et professionnelles des médecins généralistes selon le mode d’exercice

Caractéristiques N = 541
Connaissance du réseau MCS 4 (7.4%)
Sexe (Homme) 29 (54%)
Âge
    Entre 30 et 39 ans 17 (31%)
    Entre 40 et 49 ans 17 (31%)
    Entre 50 et 59 ans 6 (11%)
    Entre 60 et 69 ans 12 (22%)
    Plus de 70 ans 2 (3.7%)
Durée d'installation (années)
    Moins de 5 ans 21 (39%)
    Entre 5 et 9 ans 6 (11%)
    Entre 10 et 19 ans 11 (20%)
    Plus de 20 ans 16 (30%)
Type d'activité
    Exclusivement libéral en cabinet 44 (81%)
    Essentiellement libéral avec activité universitaire 3 (5.6%)
    Essentiellement libéral avec activité de régulation/PDSA 2 (3.7%)
    Mixte (libéral + hospitalière) 2 (3.7%)
    Autre 3 (5.6%)
Consultations avec rendez-vous 25 (46%)
Consultations sans rendez-vous 48 (89%)
Visites 39 (72%)
Autres consultations 2 (3.7%)
1 n (%)

Comparaison sur CJP : différences entre interessé et non interessé

  • CJP : recodé en df$CJP codé “1”

  • Utiliser le recodage binaire pour interprétation plus facile :

    • connaissance <- df$1_Connaissance_MCS_binaire

    • age <- df$`3_Age_inf_50a

    • sexe <- df$2_Sexe_Homme

    • profession_isolee <- df$4_Profession_isolee

    • duree_installation <- df$6_Duree_d_installation_inf_10ans

    • activite_autre <- df$7_Activite_autre_que_liberal_exclusif

    • ressenti_delai <- df$9_Ressenti_delai_SMUR_genee_YN

    • perte_chance <- df$10_Delai_d_intervention_:_perte_de_chance_dans_votre_secteur_binaire

Caractéristiques Intéressé par MCS
N = 24
1
Non intéressé par MCS
N = 30
1
p-value2
Connaissance du dispositif MCS 3 (13%) 1 (3.3%) 0.3
Âge inférieur à 50 ans 17 (71%) 17 (57%) 0.3
Sexe (Homme) 15 (63%) 14 (47%) 0.2
Durée d'installation inférieure à 10 ans 12 (50%) 15 (50%) >0.9
Activité autre que libéral exclusif 6 (25%) 4 (13%) 0.3
Consultations avec rendez-vous 8 (33%) 17 (57%) 0.088
Consultations sans rendez-vous 21 (88%) 27 (90%) >0.9
Visites 19 (79%) 20 (67%) 0.3
Autres consultations 2 (8.3%) 0 (0%) 0.2
Ressenti du délai d'intervention du SMUR gêné 20 (83%) 17 (57%) 0.036
Perte de chance liée au délai d'intervention (binaire) 18 (75%) 15 (50%) 0.061
Dernière formation aux soins d'urgence < 5 ans (binaire) 11 (46%) 10 (33%) 0.3
Cabinet adapté aux urgences (binaire) 14 (58%) 10 (33%) 0.066
Intérêt pour une formation complémentaire en urgence (binaire) 24 (100%) 17 (57%) <0.001
1 n (%)
2 Fisher’s exact test; Pearson’s Chi-squared test
  • Je trouve ce tableau interessant !

  • Les médecins interssés par être MCS sont significativement :

    • Plus gêné par le délai d’intervention du SMUR (p < 0.029)

    • Ont un cabinet + adapté aux urgences p < 0.05)

    • Sont + intéressés par une formation complémentaire en urgence (p < 0.001)

    • Et d’autres trucs mais regarde

Ce tableau est top mais ne permet pas vraiment de QUANTIFIER à quel point ces facteurs sont associés à l’intérêt pour devenir MCS.

*# Analyse univariée sur facteurs associés à l’intérêt pour devenir MCS (CJP)

  • Principe de l’analyse univariée : on compare les caractéristiques des médecins selon leur intérêt (oui/non) pour devenir médecin correspondant du SAMU dans le cadre du dispositif MCS.

  • Variable d’intérêt : df$CJP (intérêt pour devenir MCS)

  • Interprétation :de l’analyse :

    • Pour chaque variable, on compare la répartition entre les médecins intéressés et non intéressés.

    • Les p-values indiquent si les différences observées sont statistiquement significatives.

    • Cela permet d’identifier les facteurs potentiellement associés à l’intérêt pour devenir MCS.

  • Différence avec une multivariée :

    • L’analyse univariée examine chaque variable indépendamment, tandis que la multivariée ajuste pour plusieurs variables simultanément.

    • La multivariée permet d’identifier les facteurs indépendamment associés à l’intérêt pour devenir MCS, en tenant compte des interactions entre variables.

    • Les résultats peuvent différer entre les deux analyses en raison de la prise en compte des confounders dans la multivariée.

    • L’univariée est souvent une étape préliminaire avant la multivariée pour sélectionner les variables à inclure.

    • En résumé, l’univariée identifie des associations potentielles, tandis que la multivariée évalue les associations indépendantes.

CJP : carte